基于深度嵌入网络的地震相聚类技术

作者：李祺鑫; 罗亚能; 马晓强; 陈诚; 祝彦贺

来源：石油地球物理勘探, 2022, 57(02): 261-267+241.

DOI：10.13810/j.cnki.issn.1000-7210.2022.02.002

• 地震相分析
• 卷积自编码网络
• 深度学习
• 特征表示

早期基于机器学习的地震相聚类分析依赖地震属性种类的选择与组合，结果具有很强的主观性，而数据驱动下的深度学习可以规避该缺陷。因此，利用深度学习技术，采用自编码网络架构，通过嵌入编码(Embedding Code)对地震数据进行抽象表示；引入聚类损失函数与重建损失函数，建立联合损失函数并优化，使学习到的地震特征既能重建地震数据，又具有较好的聚类能力。鄂尔多斯盆地A致密气探区实际应用结果表明：经过500次迭代后，嵌入编码已具有明显的聚类特征，同时能很好地恢复原始地震信号，相对误差小于5%;与均方根振幅属性相比，基于深度嵌入网络的地震相聚类技术计算的地震相图刻画河道更准确、细节更丰富；比K-Means聚类算法预测结果的井震符合率更高，可达89.3%。

• 单位
  中海油研究总院有限责任公司